复杂网络作为生活中电力系统、通信网络和万维网等复杂系统的高度抽象,复杂网络社团结构表示着网络中的节点聚合的趋势,是复杂网络的一个重要的拓扑属性。社团检测可以有效认识复杂网络的结构和功能,进而对网络中的行为模式进行预测和分析,对复杂系统的研究与应用具有重要的意义。现有的大多数复杂网络社团检测算法都在追求算法的准确度,而忽略了时间复杂度高的问题。本文针对目前社团检测算法在处理大规模数据时在速率上不足的问题,设计了一种在Hadoop平台下进行的社团检测的并行化方法。本文主要工作如下:1.本文对复杂网络的基础知识和现有社团检测算法进行了研究。简述了复杂网络基本理论,介绍了社团检测算法的研究现状,重点介绍了几种流行的社团检测算法的基本思想和计算过程。2.由于可以通过相似度将复杂网络的社团检测问题转化为相似节点的聚类问题,本文对AP聚类(Affinity Propagation Clustering)进行了深入的研究,针对传统AP聚类在计算相似度时用欧氏距离而没有考虑到复杂网络的集聚特性的问题,本文采用一种改进的Jaccard系数来计算复杂网络节点之间的相似度。3.针对社团检测AP聚类在处理大规模数据速度慢的问题,结合大数据分析工具Hadoop,设计一种分步并行化的AP聚类社团检测方法,将AP算法整个过程分步进行并行化来实现社团检测的AP聚类算法的并行化。在PC机上搭建Hadoop集群,在不同规模的数据集上对本文设计的计算方法进行测试。实验中分别对本文设计的方法在算法准确度和方法性能上进行的测试,结果表明,本文方法在进行社团检测时具有良好的准确度和计算性能,尤其是在大规模数据集中,本文方法能够取得较好的加速比。